[发明专利]基于Spark的MLR模型红富士苹果树精准灌溉方法

权利要求书

1.一种基于Spark的MLR模型的红富士苹果树精准灌溉方法，其特征在于，包括如下步骤：

S1、搜集影响红富士苹果树生长与需水的各类特征量，经过大量实验观察与数据分析，确定苹果树的生长周期、降雨量、土壤温湿度、空气温湿度为影响苹果树需水的可能决定性因素；

S2、观察苹果树长势，收集大量数据；对数据进行可靠性分析，剔除“脏”数据和骤变值；结合当日天气，绘制csv图表，整理制作数据集；

S3、搭建分布式系统，部署Spark集群，采用Spark On Mesos的粗粒度模式；Spark读取数据集，数据类型为DataFrame；

S4、将数据集分为两批：训练集和测试集，训练集和测试集的比例为4：1；使用Box-plot图对数据进一步分析，检查有无空数据和离群数据，若有空数据，则重新采样，若有离群数据，则去除这些无用数据；

S5、利用训练集构建MLR模型：needing＝62.142-7.184*growth-0.114*water-0.289*soil_h+0.055*soil_t-0.020*air_h-0.064*air_t；相关系数：生长周期与需水量的相关系数为-0.975(强相关)，降雨量与需水量的相关系数为-0.994(强相关)，土壤湿度与需水量的相关系数为-0.984(强相关)，土壤温度与需水量的相关系数为0.154(弱相关)，空气湿度与需水量的相关系数为-0.774(较强相关)，空气温度与需水量的相关系数为0.146(弱相关)；由此模型可知最佳拟合线的截距为62.142，回归系数为[-7.184，-0.114，-0.289，0.055，-0.020，-0.064]；

S6、至此胶东半岛地区红富士苹果树的精准灌溉模型已经训练完毕，使用Python和MATLAB对拟合曲线进行绘制，观察曲线拟合情况，残差整体平均散布在被拟合值点附近，在整个拟合范围内具有恒定均匀的扩散，回归曲线与因变量needing拟合效果良好，没有出现过拟合现象，准确率达89.0868637081704％，从而完成灌水需求量的分析；

S7、下位机ARM微处理器使用土壤温湿度变送器采集土壤温湿度，使用空气温湿度变送器采集空气温湿度，变送器与ARM微处理器之间采用RS-485通信，ARM微处理器对采集的数据信号进行A/D转换，将模拟信号转换为数字信号；

S8、利用GPRS模块将ARM微处理器转换得到的数字信号传输给上位机网站端，

S9、上位机网站端接收到土壤温湿度和空气温湿度数据，结合果树生长周期和当日天气预报对数据进行清洗，将不合理和误测的数据去除；生成DataFrame数据类型的二维表形式；

S10、Spark读取csv表格内容，并将csv转换为DataFrame二维表，将数据代入MLR模型，实时生成预测值；

S11、若预测值达到设定的水量阈值，则按照既定灌水定额实施灌溉；若预测值没有达到设定的水量阈值，则不作处理；自此基于Spark的MLR模型的红富士苹果树精准灌溉方法完成。

2.根据权利要求1所述的基于Spark的MLR模型的红富士苹果树精准灌溉方法，其特征在于，确定胶东半岛地区红富士苹果树需水的影响因素，将影响因素视为灌水定额的特征变量，设置每个特征变量对应的赋值规则，所述的方法包括：

利用各个样本数据中每个特征变量的取值与对应标签量的取值，构建胶东半岛地区红富士苹果树需水预测的MLR模型的矩阵，并利用最小二乘法计算出所述矩阵中的各个特征变量的回归系数和截距；

基于需要进行预测的需水量对应的各个特征变量的取值，利用所述各个特征变量的回归系数和截距计算出所述需水量的预测值。